●前言
章 緒論
1.1 機器視覺
1.1.1 機器視覺的發展
1.1.2 機器視覺與其他領域的關繫
1.2 機器視覺研究的任務、基本內容、應用領域與困難
1.2.1 任務
1.2.2 基本內容
1.2.3 應用領域
1.2.4 困難
1.2.5 機器視覺與人類視覺的關繫
1.3 馬爾視覺理論
1.3.1 視覺是一個復雜的信息加工過程
1.3.2 視覺繫統研究的三個層次
1.3.3 視覺繫統處理的三個階段
1.4 習題
第2章 數字圖像處理
2.1 圖像預處理
2.1.1 圖像濾波
2.1.2 二值化
2.1.3 邊緣提取
2.2 圖像分割
2.3 數字圖像處理的數學工具
2.3.1 傅裡葉變換圖像處理
2.3.2 離散餘弦變換
2.3.3 偏微分方程圖像處理
2.3.4 小波變換等時頻分析方法
2.3.5 形態學處理
2.4 圖像特征提取
2.4.1 特征提取算法
2.4.2 主成分分析
2.4.3 SIFT特征點
2.4.4 SURF特征點
2.5 案例——燈泡燈腳檢測中的圖像處理
2.5.1 檢測背景
2.5.2 圖像處理過程與結果
2.6 習題
第3章 相機成像
3.1 影幾何與幾何變換
3.1.1 空間幾何變換
3.1.2 三維到二維投影
3.2 成像模型
3.2.1 線性模型
3.2.2 非線性模型
3.3 圖像亮度
3.3.1 亮度模式
3.3.2 傳感器
3.3.3 感知顏色
3.4 數字相機與光源
3.4.1 光源
3.4.2 鏡頭
3.4.3 相機接口
3.5 案例——光源對成像的影響
3.5.1 實驗設備
3.5.2 光源照明效果
3.5.3 鉚釘光源實驗
3.6 習題
第4章 相機標定
4.1 相機標定基礎
4.1.1 空間坐標繫
4.1.2 空間坐標繫變換
4.2 相機標定方法
4.2.1 Tsai相機標定
4.2.2 張正友標定
4.3 相機標定的MATLAB與OpenCV實現
4.3.1 MATLAB棋盤格標定
4.3.2 OpenCV棋盤格標定
4.4 圓形板標定方法
4.4.1 單相機標定
4.4.2 立體相機標定
4.5 單相機與光源繫統標定
4.5.1 背景
4.5.2 原理與方法
4.6 案例——顯微測量標定
4.6.1 顯微標定模型
4.6.2 相機標定實驗
4.7 案例——機器人手眼標定
4.7.1 機械臂坐標繫
4.7.2 手眼標定
4.8 習題
第5章 Shape from X
5.1 Shape from X技術
5.2 光度立體
5.2.1 典型算法介紹
5.2.2 典型算法實現
5.2.3 算法實例
5.3 從影恢復形狀
5.3.1 SFS問題的起源
5.3.2 SFS問題的解決方案
5.3.3 小值方法
5.3.4 演化方法
5.3.5 局部分析法
5.3.6 線性化方法
5.4 從運動求取結構
5.4.1 光流與運動場
5.4.2 多視圖求取結構
5.5 從紋理中恢復形狀
5.5.1 從紋理恢復形狀的三種方法
5.5.2 紋理模式假設
5.6 案例——從影恢復形狀
5.6.1 三維缺陷自動檢測
5.6.2 氣泡大小的自動檢測
5.7 習題
第6章 雙目立體視覺
6.1 雙目立體視覺原理
6.1.1 雙目立體視覺測深原理
6.1.2 極線約束
6.2 雙目立體視覺繫統
6.2.1 雙目立體視覺繫統分析
6.2.2 雙目立體視覺:平行光軸的繫統結構
6.2.3 雙目立體視覺的精度分析
6.3 雙目標定和立體匹配
6.3.1 雙目立體視覺坐標繫
6.3.2 雙目立體視覺標定
6.3.3 雙目立體視覺中的對應點匹配
6.4 案例——雙目立體視覺實現深度測量
6.4.1 相機標定
6.4.2 實驗圖片采集和矯正
6.4.3 圓心坐標提取
6.4.4 視差和深度計算
6.4.5 計算三維坐標並輸出三維空間位置
6.5 案例——雙目立體視覺三維測量
6.5.1 相機標定
6.5.2 立體匹配
6.5.3 三維重建
6.6 習題
第7章 結構光三維視覺
7.1 條紋投影結構光三維形貌測量方法
7.1.1 傅裡葉變換法
7.1.2 相移法
7.2 條紋投影輪廓術
7.2.1 基本原理
7.2.2 DLP技術
7.3 條紋投影中的條紋相位提取方法
7.3.1 傅裡葉變換法
7.3.2 窗傅裡葉脊法
7.3.3 二維連續小波變換法
7.3.4 BEMD法
7.3.5 VMD法
7.3.6 變分圖像分解法
7.4 條紋投影三維測量
7.5 案例——基於條紋投影結構光三維掃描儀的牙模掃描
7.6 案例——線激光三維測量
7.6.1 線激光三維測量原理(激光三角法)
7.6.2 繫統設計與搭建
7.6.3 結果與分析
7.7 習題
第8章 深度相機
8.1 三維測量原理
8.1.1 飛行時間法
8.1.2 結構光原理
8.2 深度相機
8.2.1 Kinect
8.2.2 Intel RealSense
8.2.3 MESA SR4000深度相機
8.3 案例——基於Kinect的SLAM
8.3.1 RGB-D視覺SLAM算法流程
8.3.2 RGB-D視覺SLAM前端算法
8.3.3 RGB-D視覺SLAM後端算法
8.3.4 實驗設計與結果分析
8.4 案例——大場景三維重建
8.4.1 三維激光掃描
8.4.2 法如三維激光掃描儀的使用方法
8.4.3 測量試驗與結果
8.5 習題
第9章 機器學習基礎
9.1 機器學習簡介
9.2 機器學習的相關數學知識
9.2.1 矩陣運算
9.2.2 優化
9.2.3 概率論
9.3 機器學習的主要方法
9.3.1 人工神經網絡
9.3.2 支持向量機
9.3.3 K均值聚類
9.3.4 集成學習
9.3.5 深度學習和深度神經網絡
9.4 習題
0章 機器學習在機器視覺領域的應用
10.1 機器學習在分辨率重建中的應用
10.2 機器學習在模式識別中的應用
10.2.1 基於Pytorch的LeNet-5手寫字符識別
10.2.2 基於TensorFlow的交通標志識別
10.2.3 基於深度學習框架MatConvNet的圖像識別
10.2.4 基於深度學習框架MatConvNet的圖像語義分割
10.3 機器學習在圖像去噪領域中的應用
10.4 機器學習在目標跟蹤中的應用
10.5 機器學習在三維重建中的應用
10.5.1 雙目視覺
10.5.2 光場成像與重建
參考文獻
內容簡介
本書內容共10章。章為緒論,包括機器視覺的相關概念,機器視覺的發展、基本任務、應用領域與困難,以及馬爾視覺理論;第2章為數字圖像處理;第3章為相機成像;第4章為相機標定;第5章為Shape from X;第6章為雙目立體視覺;第7章為結構光三維視覺;第8章為深度相機,介紹當前頗受歡迎的Kinect、Intel RealSense等深度相機的知識與相關應用;第9章為機器學習基礎;第10章為機器學習在機器視覺領域的應用,包括機器學習在模式識別、圖像分辨率重建、圖像去噪、目標跟蹤、三維重建等方面的應用。
本書除第1章和